Réseau génératif antagoniste pour la traduction de signaux de capteurs avec application à l'ECG
Bibliographic record
Abstract
Ce travail décrit la conception d’un système d’apprentissage automatique pour la traduction de signaux chronologiques d’un format de représentation vers un autre, avec l’électrocardiogramme comme objectif d’application. Il est motivé par le fait que les signaux générés par les capteurs modernes, notamment les capteurs biomédicaux, peuvent différer des formats standards. Le problème de la transduction de séquences a été abordé durant les dernières décennies de diverses façons, dont les approches génératives et discriminantes. Cependant, les efforts des chercheurs ont porté principalement sur les séquences rencontrées lors du traitement automatique du langage naturel et les modèles discrets proposés sont adaptés aux données linguistiques. Il existe peu de travaux qui ont abordé la transduction d’autres types de données, dont les signaux chronologiques en provenance de capteurs biomédicaux. Ce travail présente un modèle de réseaux antagonistes génératifs (GAN en anglais) pour la transduction des signaux d’un réseau de capteurs de l’activité cardiaque chez l’humain. Il transforme les mesures brutes fournies par un tapis d’électrodes sans contact avec la peau en des signaux d’électrocardiogramme standard (appelé communément ECG ou EKG). Pour ce faire, le modèle CycleGAN, normalement employé pour la génération d’images synthétiques, est adapté pour l’application à l’ECG. Plusieurs itérations ont été nécessaires pour arriver au résultat. Dans un premier temps, un système de génération de symboles est étudié et validé sur la base MNIST, une base de données populaire de caractères manuscrits. Ensuite, un système de conversion de fonction en une autre fonction est étudié. Finalement, un système de traduction à canaux multiples est développé pour l’ECG. Ce modèle est évalué à l’aide de 31 enregistrements de l’activité cardiaque fournis par la compagnie SigNum de Montréal, effectués en parallèle avec leur tapis d’électrodes sans contact et des électrodes standards. Le calcul de l’erreur quadratique moyenne entre les signaux cibles et ceux prédits montre que la traduction de signaux chronologiques est possible en utilisant les réseaux Cycle-GAN, et que le modèle développé donne une meilleure précision que des modèles d’apprentissages classiques. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : traduction de signaux, électrocardiogramme, ECG, EKG, réseaux antagonistes génératifs, GAN, CycleGAN
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".